Métodos de Predictivos (Clasificación o Aprendizaje-Supervisado)

Índices de Calidad del Modelo y Funciones Auxiliares

Se necesita cargar las siguientes librerías

Muestra la distribución de la variable a predecir

Muestra la distribución de una variable numérica según la variable a predecir

Muestra la distribución de una variable categórica según la variable a predecir

poder.predictivo.categorica<-function(datos,variable.predecir,variable.comparar,ylab="",xlab="", 
                                      main=paste("Densidad de la variable",variable.comparar,'según',variable.predecir),
                                      col=NA){
  gg_color <- function (n) {
     hues <- seq(15, 375, length = n + 1)
     hcl(h = hues, l = 65, c = 100)[1:n]
  }
  if(missing(variable.predecir) | !(variable.predecir %in% colnames(datos))){
    stop("variable.predecir tiene que ser ingresada y ser un nombre de columna", call. = FALSE )
  }
  if(missing(variable.comparar) | !(variable.comparar %in% colnames(datos)) | 
     !(is.factor(datos[,variable.comparar]) | is.character(datos[,variable.comparar])) ){
    stop("variable.comparar tiene que ser ingresada y ser un nombre de columna categórica", call. = FALSE )
  }
  
  if(is.character(datos[,variable.predecir]) | is.factor(datos[,variable.predecir])){
    if(length(col) == 0 || is.na(col)){
      col <- gg_color(length(unique(datos[,variable.predecir])))
    }else{
      col <- rep(col,length(unique(datos[,variable.predecir])))
    }
    
    datos2 <- datos %>%
      dplyr::group_by_(variable.comparar, variable.predecir) %>%
      dplyr::summarise(count = n())
    
    if(variable.comparar != variable.predecir){
      datos2 <-   datos2 %>% dplyr::group_by_(variable.comparar)
    }
    datos2 <- datos2 %>% dplyr::mutate(prop = round(count/sum(count),4))
  
    ggplot(data = datos2, mapping = aes_string(x = variable.comparar, y = "prop", fill = variable.predecir)) +
      geom_col(position = "fill") +
      geom_text(aes(label = glue("{percent(prop)} ({count})")), position = position_stack(vjust = .5), color = "white") +
      scale_y_continuous(label = percent) +
      labs(y =  xlab, x  = ylab, title = main) +
      scale_fill_manual(values = col, name = variable.predecir) +
      theme(legend.position = "bottom")+
      coord_flip()
    
  }else{
    stop("La variable a predecir tienen que ser de tipo factor o character", call. = FALSE )
  }
}

Índices para matrices NxN

El método de Bayes

Ejemplo Iris

'data.frame':   150 obs. of  5 variables:
 $ s.largo: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ s.ancho: num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ p.largo: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ p.ancho: num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
 $ tipo   : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

Distribución de las categorías

Predicción

Vamos a generar al azar una tabla de testing de tamaño 50 y una tabla de aprendizaje de tamaño 100.

Paquete e1071

Se cargan las librerías

Se genera el modelo


Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)

A-priori probabilities:
Y
    setosa versicolor  virginica 
      0.34       0.29       0.37 

Conditional probabilities:
            s.largo
Y                [,1]      [,2]
  setosa     4.997059 0.3261207
  versicolor 5.944828 0.5124076
  virginica  6.545946 0.6265401

            s.ancho
Y                [,1]      [,2]
  setosa     3.426471 0.4092186
  versicolor 2.796552 0.3052900
  virginica  2.970270 0.2970829

            p.largo
Y                [,1]      [,2]
  setosa     1.464706 0.1612120
  versicolor 4.279310 0.4865177
  virginica  5.521622 0.5513293

            p.ancho
Y                [,1]      [,2]
  setosa     0.250000 0.1134847
  versicolor 1.348276 0.2164992
  virginica  2.064865 0.2648020

Se genera la predicción

 [1] virginica  versicolor virginica  setosa     versicolor setosa    
 [7] setosa     versicolor versicolor versicolor versicolor versicolor
[13] virginica  setosa     setosa     versicolor versicolor versicolor
[19] setosa     virginica  setosa     versicolor setosa     versicolor
[25] versicolor versicolor setosa     setosa     versicolor versicolor
[31] virginica  setosa     virginica  setosa     versicolor setosa    
[37] virginica  versicolor virginica  setosa     virginica  virginica 
[43] setosa     versicolor versicolor setosa     versicolor versicolor
[49] versicolor virginica 
Levels: setosa versicolor virginica

Se genera la matriz de confusión

            prediccion
             setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

Índices de calidad de la predicción

$`Matriz de Confusión`
            prediccion
             setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

$`Precisión Global`
[1] 0.96

$`Error Global`
[1] 0.04

$`Precisión por categoría`
    setosa versicolor  virginica 
 1.0000000  1.0000000  0.8461538

Paquete trainR

Se cargan las librerías

Se genera el modelo


Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)

A-priori probabilities:
Y
    setosa versicolor  virginica 
      0.34       0.29       0.37 

Conditional probabilities:
            s.largo
Y                [,1]      [,2]
  setosa     4.997059 0.3261207
  versicolor 5.944828 0.5124076
  virginica  6.545946 0.6265401

            s.ancho
Y                [,1]      [,2]
  setosa     3.426471 0.4092186
  versicolor 2.796552 0.3052900
  virginica  2.970270 0.2970829

            p.largo
Y                [,1]      [,2]
  setosa     1.464706 0.1612120
  versicolor 4.279310 0.4865177
  virginica  5.521622 0.5513293

            p.ancho
Y                [,1]      [,2]
  setosa     0.250000 0.1134847
  versicolor 1.348276 0.2164992
  virginica  2.064865 0.2648020

Se genera la predicción

 [1] virginica  versicolor virginica  setosa     versicolor setosa    
 [7] setosa     versicolor versicolor versicolor versicolor versicolor
[13] virginica  setosa     setosa     versicolor versicolor versicolor
[19] setosa     virginica  setosa     versicolor setosa     versicolor
[25] versicolor versicolor setosa     setosa     versicolor versicolor
[31] virginica  setosa     virginica  setosa     versicolor setosa    
[37] virginica  versicolor virginica  setosa     virginica  virginica 
[43] setosa     versicolor versicolor setosa     versicolor versicolor
[49] versicolor virginica 
Levels: setosa versicolor virginica

Se genera la matriz de confusión

            prediction
real         setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

Índices de calidad de la predicción


Confusion Matrix:
            prediction
real         setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

Overall Accuracy: 0.9600
Overall Error:    0.0400

Category Accuracy:

       setosa   versicolor    virginica
     1.000000     1.000000     0.846154

Podemos omitir crear la matriz de confusión


Confusion Matrix:
            prediction
real         setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

Overall Accuracy: 0.9600
Overall Error:    0.0400

Category Accuracy:

       setosa   versicolor    virginica
     1.000000     1.000000     0.846154

Selección de Variables

Utilizando los datos que previamente cargamos

Podemos visualizar la distribución de las variables numéricas según la variable a predecir.

Predicción con selección de variables.

Utilizando los mismo datos para prueba (ttesting) y aprendizaje (taprendizaje) que creamos anteriormente.

Paquete e1071

Se cargan las librerías

Se genera el modelo


Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)

A-priori probabilities:
Y
    setosa versicolor  virginica 
      0.34       0.29       0.37 

Conditional probabilities:
            p.largo
Y                [,1]      [,2]
  setosa     1.464706 0.1612120
  versicolor 4.279310 0.4865177
  virginica  5.521622 0.5513293

            p.ancho
Y                [,1]      [,2]
  setosa     0.250000 0.1134847
  versicolor 1.348276 0.2164992
  virginica  2.064865 0.2648020

Se genera la predicción

 [1] virginica  versicolor virginica  setosa     versicolor setosa    
 [7] setosa     versicolor versicolor versicolor versicolor versicolor
[13] virginica  setosa     setosa     versicolor versicolor versicolor
[19] setosa     virginica  setosa     versicolor setosa     versicolor
[25] versicolor versicolor setosa     setosa     versicolor versicolor
[31] virginica  setosa     virginica  setosa     versicolor setosa    
[37] virginica  versicolor virginica  setosa     virginica  virginica 
[43] setosa     versicolor versicolor setosa     versicolor versicolor
[49] versicolor virginica 
Levels: setosa versicolor virginica

Se genera la matriz de confusión

            prediccion
             setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

Índices de calidad de la predicción

$`Matriz de Confusión`
            prediccion
             setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

$`Precisión Global`
[1] 0.96

$`Error Global`
[1] 0.04

$`Precisión por categoría`
    setosa versicolor  virginica 
 1.0000000  1.0000000  0.8461538

Paquete trainR

Se cargan las librerías

Se genera el modelo


Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)

A-priori probabilities:
Y
    setosa versicolor  virginica 
      0.34       0.29       0.37 

Conditional probabilities:
            p.largo
Y                [,1]      [,2]
  setosa     1.464706 0.1612120
  versicolor 4.279310 0.4865177
  virginica  5.521622 0.5513293

            p.ancho
Y                [,1]      [,2]
  setosa     0.250000 0.1134847
  versicolor 1.348276 0.2164992
  virginica  2.064865 0.2648020

Se genera la predicción

 [1] virginica  versicolor virginica  setosa     versicolor setosa    
 [7] setosa     versicolor versicolor versicolor versicolor versicolor
[13] virginica  setosa     setosa     versicolor versicolor versicolor
[19] setosa     virginica  setosa     versicolor setosa     versicolor
[25] versicolor versicolor setosa     setosa     versicolor versicolor
[31] virginica  setosa     virginica  setosa     versicolor setosa    
[37] virginica  versicolor virginica  setosa     virginica  virginica 
[43] setosa     versicolor versicolor setosa     versicolor versicolor
[49] versicolor virginica 
Levels: setosa versicolor virginica

Se genera la matriz de confusión

            prediction
real         setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

Índices de calidad de la predicción


Confusion Matrix:
            prediction
real         setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

Overall Accuracy: 0.9600
Overall Error:    0.0400

Category Accuracy:

       setosa   versicolor    virginica
     1.000000     1.000000     0.846154

Podemos omitir crear la matriz de confusión


Confusion Matrix:
            prediction
real         setosa versicolor virginica
  setosa         16          0         0
  versicolor      0         21         0
  virginica       0          2        11

Overall Accuracy: 0.9600
Overall Error:    0.0400

Category Accuracy:

       setosa   versicolor    virginica
     1.000000     1.000000     0.846154

Ejemplo Scoring

'data.frame':   5000 obs. of  6 variables:
 $ MontoCredito     : int  14327 111404 21128 15426 10351 27060 243369 16300 18319 107037 ...
 $ IngresoNeto      : Ord.factor w/ 2 levels "1"<"2": 1 1 1 2 1 1 1 2 2 2 ...
 $ CoefCreditoAvaluo: Ord.factor w/ 12 levels "1"<"2"<"3"<"4"<..: 1 1 1 1 1 1 1 1 1 1 ...
 $ MontoCuota       : Factor w/ 4 levels "Alto","Bajo",..: 4 4 4 4 4 4 4 4 4 4 ...
 $ GradoAcademico   : Factor w/ 2 levels "Bachiller","Licenciatura": 1 1 1 1 1 1 1 1 1 1 ...
 $ BuenPagador      : Factor w/ 2 levels "No","Si": 2 2 2 2 2 2 2 2 2 2 ...

Distribución de las categorías

Predicción

Vamos a generar al azar una tabla de testing con 15% de los datos y una tabla de aprendizaje con 85%

Paquete e1071

Se cargan las librerías

Se genera el modelo


Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)

A-priori probabilities:
Y
       No        Si 
0.1404706 0.8595294 

Conditional probabilities:
    MontoCredito
Y        [,1]     [,2]
  No 72175.80 68949.97
  Si 43001.92 52188.32

    IngresoNeto
Y            1         2
  No 0.6649916 0.3350084
  Si 0.4158226 0.5841774

    CoefCreditoAvaluo
Y              1           2           3           4           5
  No 0.035175879 0.000000000 0.000000000 0.083752094 0.028475712
  Si 0.042157131 0.003011224 0.005748700 0.024363537 0.025732275
    CoefCreditoAvaluo
Y              6           7           8           9          10
  No 0.073701843 0.010050251 0.013400335 0.058626466 0.008375209
  Si 0.019709828 0.035587189 0.001368738 0.007938681 0.015056118
    CoefCreditoAvaluo
Y             11          12
  No 0.470686767 0.217755444
  Si 0.273200109 0.546126471

    MontoCuota
Y          Alto       Bajo      Medio    MuyBajo
  No 0.24288107 0.19932998 0.45896147 0.09882747
  Si 0.11415275 0.28469751 0.54421024 0.05693950

    GradoAcademico
Y    Bachiller Licenciatura
  No 0.6030151    0.3969849
  Si 0.5039693    0.4960307

Se genera la predicción

  [1] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
 [24] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
 [47] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si
 [70] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
 [93] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[116] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[139] Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si
[162] Si No Si Si Si Si Si Si Si No Si Si Si Si Si Si Si No Si Si Si Si Si
[185] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[208] Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[231] No Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[254] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[277] Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si
[300] Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[323] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[346] Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[369] Si Si Si Si No Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[392] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[415] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No No
[438] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[461] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[484] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si
[507] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[530] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[553] Si Si Si Si Si Si Si No Si No Si Si Si Si Si No No Si No Si Si Si Si
[576] Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No
[599] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[622] Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[645] No Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si No Si Si Si
[668] Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[691] Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[714] Si No Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[737] Si Si Si Si Si Si Si Si No Si Si Si Si Si
Levels: No Si

Se genera la matriz de confusión

    prediccion
      No  Si
  No  21  87
  Si  20 622

Índices de calidad de la predicción

$`Matriz de Confusión`
    prediccion
      No  Si
  No  21  87
  Si  20 622

$`Precisión Global`
[1] 0.8573333

$`Error Global`
[1] 0.1426667

$`Precisión por categoría`
       No        Si 
0.1944444 0.9688474

Paquete trainR

Se cargan las librerías

Se genera el modelo


Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)

A-priori probabilities:
Y
       No        Si 
0.1404706 0.8595294 

Conditional probabilities:
    MontoCredito
Y        [,1]     [,2]
  No 72175.80 68949.97
  Si 43001.92 52188.32

    IngresoNeto
Y            1         2
  No 0.6649916 0.3350084
  Si 0.4158226 0.5841774

    CoefCreditoAvaluo
Y              1           2           3           4           5
  No 0.035175879 0.000000000 0.000000000 0.083752094 0.028475712
  Si 0.042157131 0.003011224 0.005748700 0.024363537 0.025732275
    CoefCreditoAvaluo
Y              6           7           8           9          10
  No 0.073701843 0.010050251 0.013400335 0.058626466 0.008375209
  Si 0.019709828 0.035587189 0.001368738 0.007938681 0.015056118
    CoefCreditoAvaluo
Y             11          12
  No 0.470686767 0.217755444
  Si 0.273200109 0.546126471

    MontoCuota
Y          Alto       Bajo      Medio    MuyBajo
  No 0.24288107 0.19932998 0.45896147 0.09882747
  Si 0.11415275 0.28469751 0.54421024 0.05693950

    GradoAcademico
Y    Bachiller Licenciatura
  No 0.6030151    0.3969849
  Si 0.5039693    0.4960307

Se genera la predicción

  [1] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
 [24] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
 [47] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si
 [70] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
 [93] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[116] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[139] Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si
[162] Si No Si Si Si Si Si Si Si No Si Si Si Si Si Si Si No Si Si Si Si Si
[185] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[208] Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[231] No Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[254] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[277] Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si
[300] Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[323] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[346] Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[369] Si Si Si Si No Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[392] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[415] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No No
[438] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[461] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[484] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si
[507] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
[530] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[553] Si Si Si Si Si Si Si No Si No Si Si Si Si Si No No Si No Si Si Si Si
[576] Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No
[599] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[622] Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[645] No Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si No Si Si Si
[668] Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si
[691] Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[714] Si No Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[737] Si Si Si Si Si Si Si Si No Si Si Si Si Si
Levels: No Si

Se genera la matriz de confusión

    prediction
real  No  Si
  No  21  87
  Si  20 622

Índices de calidad de la predicción


Confusion Matrix:
    prediction
real  No  Si
  No  21  87
  Si  20 622

Overall Accuracy: 0.8573
Overall Error:    0.1427

Category Accuracy:

           No           Si
     0.194444     0.968847

Podemos omitir crear la matriz de confusión


Confusion Matrix:
    prediction
real  No  Si
  No  21  87
  Si  20 622

Overall Accuracy: 0.8573
Overall Error:    0.1427

Category Accuracy:

           No           Si
     0.194444     0.968847

Selección de Variables

Utilizando los datos que previamente cargamos

Podemos visualizar la distribución de las variables numéricas y categóricas según la variable a predecir.

Predicción con selección de variables.

Utilizando los mismo datos para prueba (ttesting) y aprendizaje (taprendizaje) que creamos anteriormente.

Paquete e1071

Se cargan las librerías

Se genera el modelo


Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)

A-priori probabilities:
Y
       No        Si 
0.1404706 0.8595294 

Conditional probabilities:
    CoefCreditoAvaluo
Y              1           2           3           4           5
  No 0.035175879 0.000000000 0.000000000 0.083752094 0.028475712
  Si 0.042157131 0.003011224 0.005748700 0.024363537 0.025732275
    CoefCreditoAvaluo
Y              6           7           8           9          10
  No 0.073701843 0.010050251 0.013400335 0.058626466 0.008375209
  Si 0.019709828 0.035587189 0.001368738 0.007938681 0.015056118
    CoefCreditoAvaluo
Y             11          12
  No 0.470686767 0.217755444
  Si 0.273200109 0.546126471

    GradoAcademico
Y    Bachiller Licenciatura
  No 0.6030151    0.3969849
  Si 0.5039693    0.4960307

    IngresoNeto
Y            1         2
  No 0.6649916 0.3350084
  Si 0.4158226 0.5841774

    MontoCuota
Y          Alto       Bajo      Medio    MuyBajo
  No 0.24288107 0.19932998 0.45896147 0.09882747
  Si 0.11415275 0.28469751 0.54421024 0.05693950

Se genera la predicción

  [1] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si
 [24] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
 [47] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
 [70] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
 [93] Si Si Si Si Si Si Si Si Si Si No Si Si No Si Si Si Si Si Si Si Si Si
[116] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[139] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[162] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[185] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[208] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[231] No Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si No Si Si Si Si
[254] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[277] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[300] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[323] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[346] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[369] Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[392] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[415] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[438] Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si No Si Si Si
[461] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[484] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[507] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[530] Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[553] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[576] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[599] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[622] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[645] No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[668] Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si
[691] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[714] Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[737] Si Si Si Si Si Si Si Si Si Si Si Si Si Si
Levels: No Si

Se genera la matriz de confusión

    prediccion
      No  Si
  No  15  93
  Si   3 639

Índices de calidad de la predicción

$`Matriz de Confusión`
    prediccion
      No  Si
  No  15  93
  Si   3 639

$`Precisión Global`
[1] 0.872

$`Error Global`
[1] 0.128

$`Precisión por categoría`
       No        Si 
0.1388889 0.9953271

Paquete trainR

Se cargan las librerías

Se genera el modelo


Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = X, y = Y, laplace = laplace)

A-priori probabilities:
Y
       No        Si 
0.1404706 0.8595294 

Conditional probabilities:
    CoefCreditoAvaluo
Y              1           2           3           4           5
  No 0.035175879 0.000000000 0.000000000 0.083752094 0.028475712
  Si 0.042157131 0.003011224 0.005748700 0.024363537 0.025732275
    CoefCreditoAvaluo
Y              6           7           8           9          10
  No 0.073701843 0.010050251 0.013400335 0.058626466 0.008375209
  Si 0.019709828 0.035587189 0.001368738 0.007938681 0.015056118
    CoefCreditoAvaluo
Y             11          12
  No 0.470686767 0.217755444
  Si 0.273200109 0.546126471

    GradoAcademico
Y    Bachiller Licenciatura
  No 0.6030151    0.3969849
  Si 0.5039693    0.4960307

    IngresoNeto
Y            1         2
  No 0.6649916 0.3350084
  Si 0.4158226 0.5841774

    MontoCuota
Y          Alto       Bajo      Medio    MuyBajo
  No 0.24288107 0.19932998 0.45896147 0.09882747
  Si 0.11415275 0.28469751 0.54421024 0.05693950

Se genera la predicción

  [1] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si
 [24] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si
 [47] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
 [70] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
 [93] Si Si Si Si Si Si Si Si Si Si No Si Si No Si Si Si Si Si Si Si Si Si
[116] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[139] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[162] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[185] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[208] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[231] No Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si No Si Si Si Si
[254] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[277] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[300] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[323] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[346] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[369] Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si No Si Si
[392] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[415] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[438] Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si No Si Si Si
[461] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[484] Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si
[507] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[530] Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[553] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[576] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[599] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[622] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[645] No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si No Si Si Si
[668] Si Si Si Si Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si
[691] Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[714] Si Si Si Si Si Si No Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si Si
[737] Si Si Si Si Si Si Si Si Si Si Si Si Si Si
Levels: No Si

Se genera la matriz de confusión

    prediction
real  No  Si
  No  15  93
  Si   3 639

Índices de calidad de la predicción


Confusion Matrix:
    prediction
real  No  Si
  No  15  93
  Si   3 639

Overall Accuracy: 0.8720
Overall Error:    0.1280

Category Accuracy:

           No           Si
     0.138889     0.995327

Podemos omitir crear la matriz de confusión


Confusion Matrix:
    prediction
real  No  Si
  No  15  93
  Si   3 639

Overall Accuracy: 0.8720
Overall Error:    0.1280

Category Accuracy:

           No           Si
     0.138889     0.995327